שילוב בין למידה פדרטיבית ומודל נודד משפר ביצועים ופותח הזדמנויות לשוויון דיגיטלי בתחום הבריאות

מדוע חשוב לשתף תובנות רפואיות מבלי לשתף נתונים

הרפואה המודרנית מסתמכת יותר ויותר על בינה מלאכותית כדי לזהות דפוסים בסריקות וברשומות רפואיות. עם זאת, נתוני מטופלים רגישים ולעתים קרובות אינם יכולים לצאת מבית החולים שבו נבחנו. זה יוצר מתנגשות: כיצד בתי חולים ברחבי העולם יכולים לשתף פעולה לאימון כלי בינה מלאכותית חזקים, מבלי לשלוח נתוני מטופלים גולמיים מעבר לגבולות או לשרתים מרכזיים גדולים? המחקר הזה מציג דרך חדשה לעשות זאת, שמטרתה לא רק דיוק אלא גם הוגנות בין בתי חולים משאבים גבוהים ובין מרפאות קטנות וחסרות משאבים.

שתי דרכים ללמד בינה מלאכותית בלי להעביר נתונים

כיום שתי אסטרטגיות עיקריות מאפשרות לבתי חולים לאמן בינה מלאכותית יחד תוך שמירה על הנתונים באתר. בלמידה פדרטיבית כל בית חולים מאמן עותק מקומי של מודל במקביל; העותקים המקומיים משולבים לאחר מכן למודל "גלובלי" משותף על שרת מרכזי. בגישת המודל הנודד יש רק מודל אחד שמסתובב מבית חולים לבית חולים ומאומן בכל אתר לפי הסדר. שתי השיטות מגינות על פרטיות, אך לכל אחת חסרונות. למידה פדרטיבית עלולה להיתקל בקשיים כשלבתי חולים יש מעט מאוד נתונים או כשאינם מייצגים את כל סוגי המטופלים; שילוב של מודלים מקומיים חלשים או לא מאוזנים עלול להוביל למודל גלובלי גרוע שמשקף בעיקר את האתרים הגדולים והעשירים. המודל הנודד עמיד יותר לאי‑איזונים כאלה אך יכול להיות איטי וקשה יותר לניהול.

אסטרטגיה היברידית שמשתמשת בטוב משתי השיטות

המחברים מציעים את FedTM, תוכנית אימון היברידית שמשלבת את היתרונות של למידה פדרטיבית ושל מודל נודד. האימון מתבצע בשני שלבים. תחילה מתבצע שלב "חימום" שבו רק בתי החולים הגדולים יותר, עם מערכי נתונים יותר שלמים ומאוזנים, מאמנים את המודל במקביל באמצעות טכניקות למידה פדרטיבית סטנדרטיות. זה יוצר מודל התחלתי חזק. לאחר מכן מתבצע שלב "שיפור", שבו המודל המחומם מבקר בכל אתר לפי הסדר, כולל מרפאות קטנות מאוד שעשויות להכיל רק כמה סריקות מוח או אף מטופל יחיד. בשלב השני המודל מתעדכן בהדרגה תוך כדי המסע, ומשלב ידע מכל אתר מבלי שהנתונים יצטרכו לעזוב את מבקרת האתר.

מבחן השיטה על סריקות מוח של חולי פרקינסון

כדי לבחון את FedTM השתמשו החוקרים ב‑1,817 סריקות MRI של מוח שנלקחו מ‑83 אתרי הדמיה ברחבי העולם כדי לאמן מערכת בינה מלאכותית להבחין בין אנשים עם מחלת פרקינסון לבין אנשים בריאים. זהו אתגר מיוחד: יותר ממחצית האתרים תרמו פחות מעשר סריקות, רק בערך שליש סיפקו נתוני חולים ושליטה בריאים, ופרוטוקולי הסריקה השתנו באופן נרחב. בתנאי עולם אמיתי אלו, למידה פדרטיבית טהורה לא הצליחה ללמוד את המשימה היטב, בעוד שמודל נודד טהור עמד בתוצאות טובות יותר אך עדיין השאיר מקום לשיפור. FedTM, ובמיוחד כאשר שלב החימום כלל את שבעת האתרים הגדולים והמאוזנים ביותר, הציגה ביצועים טובים יותר באופן מובהק משתי הגישות: שטח תחת עקומת ה‑ROC, מדד סטנדרטי לאיכות סיווג, עלה מ‑77% עם המודל הנודד בלבד לכ‑82% עם FedTM, עם רווחים דומים במדדים קליניים חשובים אחרים כמו רגישות, ספציפיות ו‑F1‑score.

הפיכת הבינה המלאכותית לצודקת יותר בין בתי חולים גדולים וקטנים

דאגה מרכזית בבינה מלאכותית רפואית היא שוויון: האם המודל עובד טוב באותה מידה עבור מטופלים בבתי חולים קטנים, כפריים או חסרי משאבים כמו שעובד עבור מרכזים אקדמיים גדולים? הצוות בדק עד כמה המערכת טעתה באתרים "גדולים" לעומת "קטנים". עם המודל הנודד בלבד שיעור הטעויות השתנה בכ‑8 נקודות אחוז בין הקבוצות. עם FedTM מכוון כראוי, שיעורי הטעויות באתרים גדולים וקטנים הפכו כמעט זהים, בסביבות 26%. במילים אחרות, המודל לא רק הפך ליותר מדויק באופן כללי, אלא גם הוגן יותר. FedTM גם העביר את רוב העומס החישובי לשלב החימום באתרים משאבים טובים יותר, וצמצם את מספר מחזורי האימון שהאתרים הקטנים נדרשו להריץ כמעט בחצי, תוך שמירה על זמן אימון כולל דומה.

מה משמעות הדבר עבור הבריאות הדיגיטלית העולמית

FedTM מציעה דרך מעשית לפיתוח כלי בינה מלאכותית שמכבדים פרטיות, משפרים ביצועים ומשתפיים את היתרונות בצורה שוויונית יותר ברחבי הגלובוס. על ידי מתן אפשרות גם לאתרים עם מעט מאוד נתונים להשפיע על המודל הסופי, מסגרת זו יכולה לסייע להבטיח שאנשים במקומות חסרי משאבים או מרוחקים לא יישארו מאחור כשמפותחים כלים אבחוניים חדשים. אף שהמחקר התמקד בסוג אחד של סריקת מוח ובמחלה אחת, הגישה יכולה, באופן עקרוני, להיות מותאמת לרבים בעיות רפואיות אחרות. ככל שמערכות הבריאות מאמצות יותר מכשירים ניידים ושעונים חכמים וכשחקיקה מדגישה ריבונות נתונים, אסטרטגיות היברידיות כמו FedTM עשויות להפוך למפתח בבניית בינה רפואית אמינה, כוללנית ואחראית.

ציטוט: Souza, R., Stanley, E.A.M., Ohara, E.Y. et al. Combining federated learning and travelling model boosts performance and opens opportunities for digital health equity. npj Digit. Med. 9, 294 (2026). https://doi.org/10.1038/s41746-026-02483-y

מילות מפתח: למידה פדרטיבית, מודל נודד, מחלת פרקינסון, בינה מלאכותית בהדמיה רפואית, שוויון בריאותי